张飞软硬开源基于STM32 BLDC直流无刷电机驱动器开发视频套件,👉戳此立抢👈

基于KerasConv1D心电图检测开源教程

AI科技大本营 2019-06-10 15:48 次阅读

本实战内容取自笔者参加的首届中国心电智能大赛项目,初赛要求为设计一个自动识别心电图波形算法。笔者使用Keras框架设计了基于Conv1D结构的模型,并且开源了代码作为Baseline。内容包括数据预处理,模型搭建,网络训练,模型应用等,此Baseline采用最简单的一维卷积达到了88%测试准确率。有多支队伍在笔者基线代码基础上调优取得了优异成绩,顺利进入复赛。

数据介绍

下载完整的训练集和测试集,共1000例常规心电图,其中训练集中包含600例,测试集中共400例。该数据是从多个公开数据集中获取。参赛团队需要利用有正常/异常两类标签的训练集数据设计和实现算法,并在没有标签的测试集上做出预测。

该心电数据的采样率为500 Hz。为了方便参赛团队用不同编程语言都能读取数据,所有心电数据的存储格式为MAT格式。该文件中存储了12个导联的电压信号。训练数据对应的标签存储在txt文件中,其中0代表正常,1代表异常。

赛题分析

简单分析一下,初赛的数据集共有1000个样本,其中训练集中包含600例,测试集中共400例。其中训练集中包含600例是具有label的,可以用于我们训练模型;测试集中共400例没有标签,需要我们使用训练好的模型进行预测。

赛题就是一个二分类预测问题,解题思路应该包括以下内容

数据读取与处理

网络模型搭建

模型的训练

模型应用与提交预测结果

实战应用

经过对赛题的分析,我们把任务分成四个小任务,首先第一步是:

1.数据读取与处理

该心电数据的采样率为500 Hz。为了方便参赛团队用不同编程语言都能读取数据,所有心电数据的存储格式为MAT格式。该文件中存储了12个导联的电压信号。训练数据对应的标签存储在txt文件中,其中0代表正常,1代表异常。

我们由上述描述可以得知,

我们的数据保存在MAT格式文件中(这决定了后面我们要如何读取数据)

采样率为500 Hz(这个信息并没有怎么用到,大家可以简单了解一下,就是1秒采集500个点,由后面我们得知每个数据都是5000个点,也就是10秒的心电图片)

12个导联的电压信号(这个是指采用12种导联方式,大家可以简单理解为用12个体温计量体温,从而得到更加准确的信息,下图为导联方式简单介绍,大家了解下即可。要注意的是,既然提供了12种导联,我们应该全部都用到,虽然我们仅使用一种导联方式也可以进行训练与预测,但是经验告诉我们,采取多个特征会取得更优效果)

数据处理函数定义:

import kerasfrom scipy.io import loadmatimport matplotlib.pyplot as pltimport globimport numpy as npimport pandas as pdimport mathimport osfrom keras.layers import *from keras.models import *from keras.objectives import *BASE_DIR = “preliminary/TRAIN/”#进行归一化def normalize(v): return (v - v.mean(axis=1).reshape((v.shape[0],1))) / (v.max(axis=1).reshape((v.shape[0],1)) + 2e-12)loadmat打开文件def get_feature(wav_file,Lens = 12,BASE_DIR=BASE_DIR): mat = loadmat(BASE_DIR+wav_file) dat = mat[“data”] feature = dat[0:12] return(normalize(feature).transopse())#把标签转成oneHot形式def convert2oneHot(index,Lens): hot = np.zeros((Lens,)) hot[index] = 1 return(hot)TXT_DIR = “preliminary/reference.txt”MANIFEST_DIR = “preliminary/reference.csv”

读取一条数据进行显示

if name__ == “__main”: dat1 = get_feature(“preliminary/TRAIN/TRAIN101.mat”) print(dat1.shape) #one data shape is (12, 5000) plt.plt(dat1[:,0]) plt.show()

我们由上述信息可以看出每种导联都是由5000个点组成的列表,12种导联方式使每个样本都是12*5000的矩阵,类似于一张分辨率为12x5000的照片。

我们需要处理的就是把每个读取出来,归一化一下,送入网络进行训练可以了。

标签处理方式

def create_csv(TXT_DIR=TXT_DIR): lists = pd.read_csv(TXT_DIR,sep=r“\t”,header=None) lists = lists.sample(frac=1) lists.to_csv(MANIFEST_DIR,index=None) print(“Finish save csv”)

我这里是采用从reference.txt读取,然后打乱保存到reference.csv中,注意一定要进行数据打乱操作,不然训练效果很差。因为原始数据前面便签全部是1,后面全部是0

数据迭代方式

Batch_size = 20def xs_gen(path=MANIFEST_DIR,batch_size = Batch_size,train=True):img_list = pd.read_csv(path)if train : img_list = np.array(img_list)[:500] print(“Found %s train items.”%len(img_list)) print(“list 1 is”,img_list[0]) steps = math.ceil(len(img_list) / batch_size) # 确定每轮有多少个batchelse: img_list = np.array(img_list)[500:] print(“Found %s test items.”%len(img_list)) print(“list 1 is”,img_list[0]) steps = math.ceil(len(img_list) / batch_size) # 确定每轮有多少个batchwhile True: for i in range(steps): batch_list = img_list[i * batch_size : i * batch_size + batch_size] np.random.shuffle(batch_list) batch_x = np.array([get_feature(file) for file in batch_list[:,0]]) batch_y = np.array([convert2oneHot(label,2) for label in batch_list[:,1]]) yield batch_x, batch_y

数据读取的方式我采用的是生成器的方式,这样可以按batch读取,加快训练速度,大家也可以采用一下全部读取,看个人的习惯了

2.网络模型搭建

数据我们处理好了,后面就是模型的搭建了,我使用keras搭建的,操作简单便捷,tf,pytorch,sklearn大家可以按照自己喜好来。

网络模型可以选择CNN,RNN,Attention结构,或者多模型的融合,抛砖引玉,此Baseline采用的一维CNN方式,一维CNN学习地址

模型搭建

TIME_PERIODS = 5000num_sensors = 12def build_model(input_shape=(TIME_PERIODS,num_sensors),num_classes=2): model = Sequential() #model.add(Reshape((TIME_PERIODS, num_sensors), input_shape=input_shape)) model.add(Conv1D(16, 16,strides=2, activation=‘relu’,input_shape=input_shape)) model.add(Conv1D(16, 16,strides=2, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(Conv1D(64, 8,strides=2, activation=‘relu’,padding=“same”)) model.add(Conv1D(64, 8,strides=2, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(Conv1D(128, 4,strides=2, activation=‘relu’,padding=“same”)) model.add(Conv1D(128, 4,strides=2, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(Conv1D(256, 2,strides=1, activation=‘relu’,padding=“same”)) model.add(Conv1D(256, 2,strides=1, activation=‘relu’,padding=“same”)) model.add(MaxPooling1D(2)) model.add(GlobalAveragePooling1D()) model.add(Dropout(0.3)) model.add(Dense(num_classes, activation=‘softmax’)) return(model)

用model.summary()输出的网络模型为

训练参数比较少,大家可以根据自己想法更改。

3.网络模型训练

模型训练

if name__ == “__main”: “”“dat1 = get_feature(”TRAIN101.mat“) print(”one data shape is“,dat1.shape) #one data shape is (12, 5000) plt.plot(dat1[0]) plt.show()”“” if (os.path.exists(MANIFEST_DIR)==False): create_csv() train_iter = xs_gen(train=True) test_iter = xs_gen(train=False) model = build_model() print(model.summary()) ckpt = keras.callbacks.ModelCheckpoint( filepath=‘best_model.{epoch:02d}-{val_acc:.2f}.h5’, monitor=‘val_acc’, save_best_only=True,verbose=1) model.compile(loss=‘categorical_crossentropy’, optimizer=‘adam’, metrics=[‘accuracy’]) model.fit_generator( generator=train_iter, steps_per_epoch=500//Batch_size, epochs=20, initial_epoch=0, validation_data = test_iter, nb_val_samples = 100//Batch_size, callbacks=[ckpt], )

训练过程输出(最优结果:loss: 0.0565 - acc: 0.9820 - val_loss: 0.8307 - val_acc: 0.8800)

Epoch 10/2025/25 [==============================] - 1s 37ms/step - loss: 0.2329 - acc: 0.9040 - val_loss: 0.4041 - val_acc: 0.8700Epoch 00010: val_acc improved from 0.85000 to 0.87000, saving model to best_model.10-0.87.h5Epoch 11/2025/25 [==============================] - 1s 38ms/step - loss: 0.1633 - acc: 0.9380 - val_loss: 0.5277 - val_acc: 0.8300Epoch 00011: val_acc did not improve from 0.87000Epoch 12/2025/25 [==============================] - 1s 40ms/step - loss: 0.1394 - acc: 0.9500 - val_loss: 0.4916 - val_acc: 0.7400Epoch 00012: val_acc did not improve from 0.87000Epoch 13/2025/25 [==============================] - 1s 38ms/step - loss: 0.1746 - acc: 0.9220 - val_loss: 0.5208 - val_acc: 0.8100Epoch 00013: val_acc did not improve from 0.87000Epoch 14/2025/25 [==============================] - 1s 38ms/step - loss: 0.1009 - acc: 0.9720 - val_loss: 0.5513 - val_acc: 0.8000Epoch 00014: val_acc did not improve from 0.87000Epoch 15/2025/25 [==============================] - 1s 38ms/step - loss: 0.0565 - acc: 0.9820 - val_loss: 0.8307 - val_acc: 0.8800Epoch 00015: val_acc improved from 0.87000 to 0.88000, saving model to best_model.15-0.88.h5Epoch 16/2025/25 [==============================] - 1s 38ms/step - loss: 0.0261 - acc: 0.9920 - val_loss: 0.6443 - val_acc: 0.8400Epoch 00016: val_acc did not improve from 0.88000Epoch 17/2025/25 [==============================] - 1s 38ms/step - loss: 0.0178 - acc: 0.9960 - val_loss: 0.7773 - val_acc: 0.8700Epoch 00017: val_acc did not improve from 0.88000Epoch 18/2025/25 [==============================] - 1s 38ms/step - loss: 0.0082 - acc: 0.9980 - val_loss: 0.8875 - val_acc: 0.8600Epoch 00018: val_acc did not improve from 0.88000Epoch 19/2025/25 [==============================] - 1s 37ms/step - loss: 0.0045 - acc: 1.0000 - val_loss: 1.0057 - val_acc: 0.8600Epoch 00019: val_acc did not improve from 0.88000Epoch 20/2025/25 [==============================] - 1s 37ms/step - loss: 0.0012 - acc: 1.0000 - val_loss: 1.1088 - val_acc: 0.8600Epoch 00020: val_acc did not improve from 0.88000

4.模型应用预测结果

预测数据

if name__ == “__main”: “”“dat1 = get_feature(”TRAIN101.mat“) print(”one data shape is“,dat1.shape) #one data shape is (12, 5000) plt.plot(dat1[0]) plt.show()”“” “”“if (os.path.exists(MANIFEST_DIR)==False): create_csv() train_iter = xs_gen(train=True) test_iter = xs_gen(train=False) model = build_model() print(model.summary()) ckpt = keras.callbacks.ModelCheckpoint( filepath=‘best_model.{epoch:02d}-{val_acc:.2f}.h5’, monitor=‘val_acc’, save_best_only=True,verbose=1) model.compile(loss=‘categorical_crossentropy’, optimizer=‘adam’, metrics=[‘accuracy’]) model.fit_generator( generator=train_iter, steps_per_epoch=500//Batch_size, epochs=20, initial_epoch=0, validation_data = test_iter, nb_val_samples = 100//Batch_size, callbacks=[ckpt], )”“” PRE_DIR = “sample_codes/answers.txt” model = load_model(“best_model.15-0.88.h5”) pre_lists = pd.read_csv(PRE_DIR,sep=r“ ”,header=None) print(pre_lists.head()) pre_datas = np.array([get_feature(item,BASE_DIR=“preliminary/TEST/”) for item in pre_lists[0]]) pre_result = model.predict_classes(pre_datas)#0-1概率预测 print(pre_result.shape) pre_lists[1] = pre_result pre_lists.to_csv(“sample_codes/answers1.txt”,index=None,header=None) print(“predict finish”)

下面是前十条预测结果:

TEST394,0TEST313,1TEST484,0TEST288,0TEST261,1TEST310,0TEST286,1TEST367,1TEST149,1TEST160,1

展望

此Baseline采用最简单的一维卷积达到了88%测试准确率(可能会因为随机初始化值上下波动),大家也可以多尝试GRU,Attention,和Resnet等结果,测试准确率会突破90+。


原文标题:实战 | 基于KerasConv1D心电图检测开源教程(附代码)

文章出处:【微信号:rgznai100,微信公众号:AI科技大本营】欢迎添加关注!文章转载请注明出处。

收藏 人收藏
分享:

评论

相关推荐

快速构建RT-Thread 可通用的软件包

主题介绍及亮点:软件包在高级语言中非常常见,很多高级语言都有对应的软件包平台,软件包生态对于一门语言的选择至关重要,本次
发表于 09-11 00:00 28次 阅读
快速构建RT-Thread 可通用的软件包

开源机器学习管理平台TRAINS

不论是对于团队还是企业,TRAINS都能将所有内容记录在一个中央服务器中,并实现可视化和出处,这样生....
的头像 新智元 发表于 06-23 08:09 247次 阅读
开源机器学习管理平台TRAINS

Facebook构建虚拟空间训练AI

近日,Facebook推出一个开源的模拟数据集,希望帮助研究人员创建更加真实的AR/VR体验,最终目....
的头像 机器人技术与应用 发表于 06-18 17:07 501次 阅读
Facebook构建虚拟空间训练AI

开源工业互联网联盟推出IOT3000开源方案

为了便于联盟成员了解IOT 3000的具体内容,开源工业互联网联盟组织专家编写了《IOT 3000开....
的头像 开源工业互联网联盟 发表于 06-18 09:43 437次 阅读
开源工业互联网联盟推出IOT3000开源方案

图灵奖得主牵头推动芯片开源 清华伯克利成立RISC-V国际实验室

图灵奖得主牵头,清华伯克利联手打造开源芯片,以深圳为根节点,全面提升 RISC-V 生态系统至最先进....
的头像 新智元 发表于 06-17 15:05 732次 阅读
图灵奖得主牵头推动芯片开源 清华伯克利成立RISC-V国际实验室

谷歌将AutoML应用于Transformer架构,翻译结果飙升!

为了探索AutoML在序列域中的应用是否能够取得的成功,谷歌的研究团队在进行基于进化的神经架构搜索(....
的头像 新智元 发表于 06-16 11:29 884次 阅读
谷歌将AutoML应用于Transformer架构,翻译结果飙升!

清华、伯克利联手打造 成立RISC-V国际实验室

图灵奖得主牵头,清华伯克利联手打造开源芯片,以深圳为根节点,全面提升 RISC-V 生态系统至最先进....
的头像 全球人工智能 发表于 06-16 10:16 1015次 阅读
清华、伯克利联手打造 成立RISC-V国际实验室

谷歌开源张量计算库_速度提高100倍

6月5日消息,据外媒报道,日前,谷歌公司的人工智能部门与加拿大圆周理论物理研究所,以及谷歌母公司Al....
的头像 电子发烧友网工程师 发表于 06-15 11:04 496次 阅读
谷歌开源张量计算库_速度提高100倍

RISC-V崛起、开源破局,中国芯片困境可解?

不同于要收取高额授权费的ARM架构,RISC-V并不掌握在任何一家公司手里。
的头像 DIGITIMES 发表于 06-11 14:08 956次 阅读
RISC-V崛起、开源破局,中国芯片困境可解?

大量使用开源的中国 AI 应用,会是下一个被卡住的吗?

对于部分开源(Open source) 的资源,未来是不是也会受到美国出口管制条例的限制,这将是另一....
的头像 DeepTech深科技 发表于 06-11 08:52 805次 阅读
大量使用开源的中国 AI 应用,会是下一个被卡住的吗?

史上最小!纳米级无人机仅重27克,CNN自主导航,已开源!

还记得《黑镜》中的杀人蜂吗?蜜蜂大小、威力巨大。
的头像 无人机网 发表于 06-09 17:41 440次 阅读
史上最小!纳米级无人机仅重27克,CNN自主导航,已开源!

开源架构RISC-V到底会不会有“被禁”风险?

继此前开源的谷歌安卓、英国的Arm,以及多个全球性的技术联盟/协会都宣布执行美禁令之后,很多人不禁要....
的头像 芯智讯 发表于 06-09 17:19 740次 阅读
开源架构RISC-V到底会不会有“被禁”风险?

GitHub五万星登顶 程序员命令行最全技巧宝典!

最近两天,「The Art of Command Line(命令行的艺术)」这个开源项目雄踞了 Gi....
的头像 AI科技大本营 发表于 06-06 14:02 343次 阅读
GitHub五万星登顶 程序员命令行最全技巧宝典!

GitHub标星15K,这个开源项目让算法动起来

一个可视化学算法的好工具
的头像 电子发烧友网工程师 发表于 05-31 09:44 273次 阅读
GitHub标星15K,这个开源项目让算法动起来

机器人开源交叉足使用教程必读资料免费下载

本文档的主要内容详细介绍的是机器人开源交叉足使用教程必读资料免费下载 1、 如购买的是成品,直接将....
发表于 05-31 08:00 105次 阅读
机器人开源交叉足使用教程必读资料免费下载

GitHub推出开发者赞助项目 全新的支持开源软件的方式

近日,全球最大的开源软件平台GitHub推出了开发者赞助项目GitHub Sponsors。这是一种....
的头像 嵌入式资讯精选 发表于 05-27 11:40 957次 阅读
GitHub推出开发者赞助项目 全新的支持开源软件的方式

开源社区GitHub推出了一款新工具——测试版GitHub Sponsors

根据GitHub介绍,这项新功能的目的是“扩大参与和构建开源的机会”。但这可能会引起一些开源开发者的....
的头像 新智元 发表于 05-25 09:01 1163次 阅读
开源社区GitHub推出了一款新工具——测试版GitHub Sponsors

国内的开源生态不完整 缺乏开源种子发展的环境

开源软件与传统的产品及服务模式有较大的不同,它不能直接简单的通过交易模式获得收入,这导致了其商业模式....
的头像 电子发烧友网工程师 发表于 05-24 09:39 517次 阅读
国内的开源生态不完整 缺乏开源种子发展的环境

数据库的高级语言是什么

虽然接近10年没有用过VIsual FoxPro,FoxPro已经没落了,微软也不再开发了,部分放在CodePlex开源了。 但是一直很怀念V...
发表于 05-24 07:21 72次 阅读
数据库的高级语言是什么

在Arduino开发平台上自制色彩变幻的骷髅镜

作为万圣节的礼物,也是相当棒的~
的头像 电子DIY视频 发表于 05-24 06:16 286次 观看
在Arduino开发平台上自制色彩变幻的骷髅镜

Hibernate的对象定义和实例状态

Hibernate是一个很优秀的开源免费的持久化框架,主要是为了解决对象模型和关系模型阻抗不匹配的情况 session是实体管理器 对...
发表于 05-23 09:01 61次 阅读
Hibernate的对象定义和实例状态

采用Arduino电子原型平台制作自动泡茶机

Arduino是一款便捷灵活、方便上手的开源电子原型平台。包含硬件(各种型号的Arduino板)和软....
的头像 电子DIY视频 发表于 05-22 06:14 305次 观看
采用Arduino电子原型平台制作自动泡茶机

微服务架构是一个庞大复杂的工程,为什么说它庞大复杂呢?

如图,自己注册就是指微服务节点在启动的时候,自己去服务注册中心登记注册了,把自己的信息和状态传过去。....
的头像 Linux爱好者 发表于 05-13 13:58 419次 阅读
微服务架构是一个庞大复杂的工程,为什么说它庞大复杂呢?

Github发布重大功能性更新GitHub Package Registry

在处理一个依赖于软件包的项目时,重要的是要信任、理解软件包的代码,并与构建项目的社区建立联系。在社区....
的头像 新智元 发表于 05-13 08:57 579次 阅读
Github发布重大功能性更新GitHub Package Registry

《AI算法工程师手册》已正式开源

这本《AI 算法工程师手册》是作者多年以来学习总结的笔记,经整理之后开源于世。关于为什么将完整书籍开....
的头像 电子发烧友网工程师 发表于 05-11 09:55 938次 阅读
《AI算法工程师手册》已正式开源

阿里正式开源轻量级深度学习端侧推理引擎“MNN”

Interpreter 由 Engine 和 Backends 构成。前者负责模型的加载、计算图的调....
的头像 新智元 发表于 05-10 09:04 591次 阅读
阿里正式开源轻量级深度学习端侧推理引擎“MNN”

然倘若开源的项目访问受到限制且收费,那能称得上真正的开源吗?

大家对亚马逊此举的反应并非都是负面的。一些开源社区的资深人士对亚马逊维护开源价值的行为表示赞许,同时....
的头像 传感器技术 发表于 05-07 16:17 911次 阅读
然倘若开源的项目访问受到限制且收费,那能称得上真正的开源吗?

高频心电发展过程中遇到的问题以及市场前景浅析

心血管疾病是危害人类健康的常见病,常规心电图诊断虽然具有较高价值,但当心电信息高于100Hz时,常规....
发表于 05-05 16:01 724次 阅读
高频心电发展过程中遇到的问题以及市场前景浅析

腾讯重磅开源DCache 分布式NoSQL存储系统

分布式集群化、异地镜像部署、容灾容错、后接DB、Web可视化运维
的头像 电子发烧友网工程师 发表于 05-05 10:36 582次 阅读
腾讯重磅开源DCache 分布式NoSQL存储系统

提高开源应用程序的处理器性能

David Katz,Tomasz Lukasiak和Rick Gentile   模拟对话,第39卷 -  2005年2月...
发表于 04-28 17:20 152次 阅读
提高开源应用程序的处理器性能

VSCodium: 100%开源的Microsoft VS Code

这种追踪主要用于远程收集使用数据并将其发送给Microsoft,以“帮助改进其产品和服务”。遥测(远....
的头像 电子发烧友网工程师 发表于 04-24 10:20 981次 阅读
VSCodium: 100%开源的Microsoft VS Code

微软美国研究院和清华联合推出了一款开源的多领域端到端对话系统平台—ConvLab

整个系统基于模块化的设计保障了灵活性和适应性。为了支持多领域对话系统的搭建,平台使用了主体-环境-对....
的头像 将门创投 发表于 04-23 10:42 693次 阅读
微软美国研究院和清华联合推出了一款开源的多领域端到端对话系统平台—ConvLab

开源项目的分类

21小时上手深度学习1,从开源项目做起
发表于 04-19 08:53 72次 阅读
开源项目的分类

开源鉴黄AI新鲜出炉:代码+预训练模型,附手把手入门教学

今天我们就来学习用Keras构建模型,识别NSFW图片,俗称造个鉴黄AI。
的头像 人工智能 发表于 04-16 16:40 705次 阅读
开源鉴黄AI新鲜出炉:代码+预训练模型,附手把手入门教学

周小鹏:努力让 FPGA支持更多开源库和框架

对于用户而言,FPGA在云端应用兼顾了速度和灵活性。
的头像 LiveVideoStack 发表于 04-16 15:40 573次 阅读
周小鹏:努力让 FPGA支持更多开源库和框架

典型的模拟心电图拓扑结构和ECG信号链分析

心电图的前端必须能够处理极弱信号范围为0.5 mV至5.0 mV,结合直流分量高达±300 mV -....
的头像 模拟对话 发表于 04-11 09:38 580次 阅读
典型的模拟心电图拓扑结构和ECG信号链分析

MSU公布了2018视频编码压缩报告的补充部分

在该免费版报告中并未说明使用x265的哪个速度档用作对比。此报告作为“2018MSU编码报告”的补充....
的头像 LiveVideoStack 发表于 04-08 17:21 843次 阅读
MSU公布了2018视频编码压缩报告的补充部分

何恺明等人再出重磅新作:分割任务的TensorMask框架

基于 TensorMask 表示的模型,有一个采用滑窗的掩码预测分支和一个类似于检测框回归的分类分支....
的头像 电子发烧友网工程师 发表于 04-04 17:21 1236次 阅读
何恺明等人再出重磅新作:分割任务的TensorMask框架

Facebook 人工智能团队已经创建并正在开放源代码 PyTorch Biggraph

有效处理大规模图对于促进人工智能的研究和应用至关重要,但特别是在工业应用中的图,包含数十亿个节点和数....
的头像 电子发烧友网工程师 发表于 04-04 11:12 1519次 阅读
Facebook 人工智能团队已经创建并正在开放源代码 PyTorch Biggraph

WatchOS 5.2正式版更新: ECG心电图功能“解封”

今天凌晨,苹果给Apple Watch用户推送了watchOS 5.2正式版更新。不少用户惊喜地发现....
的头像 OFweek可穿戴设备网 发表于 04-02 11:13 3537次 阅读
WatchOS 5.2正式版更新: ECG心电图功能“解封”

滤波器在心电图的两个应用详细论文说明

本文档的主要内容详细介绍的是滤波器在心电图的两个应用详细论文说明包括了:自适应相干模板法在心电图机中....
发表于 04-02 08:00 87次 阅读
滤波器在心电图的两个应用详细论文说明

Effective TensorFlow 2.0高效开发指南

TensorFlow 1.x严重依赖隐式全局命名空间。当你调用tf.Variable(),它会被放入....
的头像 电子发烧友网工程师 发表于 03-31 11:40 948次 阅读
Effective TensorFlow 2.0高效开发指南

开源项目的可持续性从不同角度看一般会有不同的定义

笔者曾经在使用一个开源的数据库迁移工具时遇到过此类问题,具体是文档中说明该开源工具有功能 A,但并未....
的头像 新智元 发表于 03-29 11:08 681次 阅读
开源项目的可持续性从不同角度看一般会有不同的定义

Motrix是一款开源免费且界面非常清爽简约的全能型下载软件

Motrix 默认开放了 Aria 2 的 JSON-RPC 支持,可以兼容所有支持 Aria2 的....
的头像 悟空智能科技 发表于 03-28 15:52 875次 阅读
Motrix是一款开源免费且界面非常清爽简约的全能型下载软件

阿里巴巴即将开源OpenJDK长期支持版本Alibaba Dragonwell的消息不胫而走

Dragonwell中文译为龙井,既象征着中国的茶文化,又恰好是杭州特色(阿里巴巴总部所在地。不仅如....
的头像 嵌入式资讯精选 发表于 03-25 15:05 2141次 阅读
阿里巴巴即将开源OpenJDK长期支持版本Alibaba Dragonwell的消息不胫而走

国务院的工作报告明确提出了要推动工业互联网和“智能+”

从全球工业互联网发展趋势来讲,利用数字孪生体构建工业互联网体系,已经成为了常规做法。国内对数字孪生体....
的头像 电子发烧友网工程师 发表于 03-21 11:40 1083次 阅读
国务院的工作报告明确提出了要推动工业互联网和“智能+”

开源工业互联网联盟秘书处决定提供“理事+”服务

据开源工业互联网联盟理事长胡权介绍,开源工业互联网创新中心可以聚焦到教育培训、自动化产线、云服务平台....
的头像 电子发烧友网工程师 发表于 03-20 14:41 723次 阅读
开源工业互联网联盟秘书处决定提供“理事+”服务

计算机视觉开源库集锦

Dlib是一个现代的C++工具包,包含机器学习算法和工具,用于在C++中创建复杂的软件来解决实际问题....
的头像 电子发烧友网工程师 发表于 03-19 11:48 1034次 阅读
计算机视觉开源库集锦

开源工业互联网联盟召开“数字孪生体挑战赛筹备暨交流会”

按照预定议题,开源工业互联网联盟胡权理事长做了《中国工业互联网最近进展与趋势》的演讲,主要分析了国内....
的头像 电子发烧友网工程师 发表于 03-11 17:09 1820次 阅读
开源工业互联网联盟召开“数字孪生体挑战赛筹备暨交流会”

公开机器学习模型代码可能会有哪些风险?

是的。如果要在新的语言环境重新发布数据,已发布的数据可能会变成敏感数据,而且,聚合后的数据(包括机器....
的头像 新智元 发表于 03-08 09:26 1061次 阅读
公开机器学习模型代码可能会有哪些风险?

英伟达公开了StyleGAN的源代码,作为生成对抗网络的基于Style的生成器架构

而且StyleGAN一经开源,就被广大程序猿们玩坏啦,一位推特名叫roadrunner01的程序猿,....
的头像 电子发烧友网工程师 发表于 03-05 13:46 1642次 阅读
英伟达公开了StyleGAN的源代码,作为生成对抗网络的基于Style的生成器架构

请问STEVAL-CCM006V1/V2评估版资料是开源的吗?

STEVAL-CCM006V1/V2评估版有例程没?例程开源不?
发表于 03-05 04:52 308次 阅读
请问STEVAL-CCM006V1/V2评估版资料是开源的吗?

人工智能深度换脸技术

虽然遭到全网封禁,但人工智能深度换脸技术——deepfakes并没有淡出人们的视野。近日,这项技术还....
的头像 机器人博览 发表于 03-03 09:21 2754次 阅读
人工智能深度换脸技术

Python调试器,快速定位各种疑难杂症

pdb 是 Python 自带的库,为 Python 提供了一种交互式的源码调试功能,包含当前调试器....
的头像 电子发烧友网工程师 发表于 02-26 09:40 680次 阅读
Python调试器,快速定位各种疑难杂症

请问有人做过家用便携式心电图机制作,求有用的资料

要求我就不多说了,芯片什么的可以任选,430可以,32也可以。大致功能是能实现心电监测并且在TFT液晶上显示,能够传数据到手机...
发表于 02-26 04:01 559次 阅读
请问有人做过家用便携式心电图机制作,求有用的资料

盘点人工智能行业的25大趋势

知名创投研究机构CB Insights调研了25种最大的AI趋势,以确定2019年该技术的下一步趋势....
的头像 机器人博览 发表于 02-25 14:13 2034次 阅读
盘点人工智能行业的25大趋势

到底该怎么将这些顶尖工具用到我的模型里呢?

然而,让小编翻开他们的paper,发现每一个上面都写着四个大字:“弱者退散”,到底该怎么将这些顶尖工....
的头像 新智元 发表于 02-24 10:43 778次 阅读
到底该怎么将这些顶尖工具用到我的模型里呢?

开源ETL工具Kettle的常用组件和相关示例

Kettle使用示例
发表于 02-22 16:24 225次 阅读
开源ETL工具Kettle的常用组件和相关示例

可以在开源产品中加入cybootloaderutils源代码吗?

总结:我们可以包括在我们的源代码fromcybootloaderutils(开源)编程PSoC的效用? 我们正在搭建一个基于PSoC的硬件平台。...
发表于 02-21 10:20 257次 阅读
可以在开源产品中加入cybootloaderutils源代码吗?

荔枝糖免费申请——基于Anlogic EG4S20的开源RISC-V开发板

     Anlogic EG4S20 FPGA是中国大陆第一个工业级的并且使用最新芯片制程的开放源码的处理器,支...
发表于 10-18 14:02 2831次 阅读
荔枝糖免费申请——基于Anlogic EG4S20的开源RISC-V开发板

9月份最热门的机器学习开源项目TOP 5

论文和代码 相信大家都曾为如何自己实现论文中的代码而苦恼过,在互联网上搜索相关的代码可以说是非常的令人煎熬。在这个 rep...
发表于 10-10 13:39 523次 阅读
9月份最热门的机器学习开源项目TOP 5